CN109360221A - 一种适宜收获山区马铃薯的小型机 - Google Patents
一种适宜收获山区马铃薯的小型机 Download PDFInfo
- Publication number
- CN109360221A CN109360221A CN201811252948.0A CN201811252948A CN109360221A CN 109360221 A CN109360221 A CN 109360221A CN 201811252948 A CN201811252948 A CN 201811252948A CN 109360221 A CN109360221 A CN 109360221A
- Authority
- CN
- China
- Prior art keywords
- module
- potato
- image
- value
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 115
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 115
- 238000003306 harvesting Methods 0.000 title claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000001276 controlling effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 241000196324 Embryophyta Species 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000005055 memory storage Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 3
- 230000000875 corresponding effect Effects 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 claims 1
- 230000005622 photoelectricity Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000005303 weighing Methods 0.000 description 3
- 241000208292 Solanaceae Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013573 potato product Nutrition 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明属于农业器械技术领域，公开了一种适宜收获山区马铃薯的小型机，所述适宜收获山区马铃薯的小型机包括：图像采集模块、温湿度采集模块、压力采集模块、主控模块、切割模块、传送模块、图像增强模块、筛选模块、数据存储模块、显示模块。本发明通过图像增强模块实现了对输出图像的亮度进行有效控制，使输出图像的亮度既能得到提升，又能与真实环境相符合；同时，通过筛选模块无需马铃薯在检测过程中进行翻转运动即可完成全方位的检测，一方面避免了马铃薯的不必要损伤，另一方面避免了动态拍照检测中的不稳定性，提高图像清晰程度，提升了检测的准确率。
Description
技术领域
本发明属于农业器械技术领域，尤其涉及一种适宜收获山区马铃薯的小型机。
背景技术
马铃薯(学名：SolanumtuberosumL.)，属茄科一年生草本植物，块茎可供食用，是全球第四大重要的粮食作物，仅次于小麦、稻谷和玉米。马铃薯又称地蛋、土豆、洋山芋等，茄科植物的块茎。马铃薯的植株分地上和地下两部分，地上部分有地上茎、羽状复叶、花蕾和果实；地下部分有地下茎、根、匍匐茎和块茎。地上部分结果与否与品种和外界环境条件有关，同一品种在不同年份和同年份种植时间不同均会影响到是否开花结果。栽培马铃薯所获得的产品是地下所产生的块茎，块茎是由匍匐茎顶端膨大形成，它们具有地上茎的很多特性。匍匐茎、块茎和地上茎可以说没有本质上的区别，在一定的环境条件下能够互相转化。然而，现有适宜收获山区马铃薯的小型机采集马铃薯的图像质量较差，输出的图像伴有噪声，出现块效应，效果变差，影响对马铃薯状况的判断；同时，现有对马铃薯筛选需要额外增加人力先将次品挑出，然后再按照重量分级，这样就会增加马铃薯分级成本，增加人力物力，从而提高了生产成本，分级过程无法真正离开人工的参与，不能为实现规模化、自动化品质检测作业提供可靠基础。
综上所述，现有技术存在的问题是：
(1)现有适宜收获山区马铃薯的小型机采集马铃薯的图像质量较差，输出的图像伴有噪声，出现块效应，效果变差，影响对马铃薯状况的判断；
(2)现有对马铃薯筛选需要额外增加人力先将次品挑出，然后再按照重量分级，这样就会增加马铃薯分级成本，增加人力物力，从而提高了生产成本，分级过程无法真正离开人工的参与，不能为实现规模化、自动化品质检测作业提供可靠基础，且目前使用的传送带装置调速过程中产生的张力较大，线速度传输不够准确，造成马铃薯在传输过程中易滑落。
(3)目前使用的对马铃薯称重的压力检测模块，在放置位置或者马铃薯放置时有移动情况发生时，易造成称重不准确，造成之后的筛选困难。
发明内容
针对现有技术存在的问题，本发明提供了一种适宜收获山区马铃薯的小型机。
本发明是这样实现的，一种适宜收获山区马铃薯的小型机包括：
图像采集模块、温湿度采集模块、压力采集模块、主控模块、切割模块、传送模块、图像增强模块、筛选模块、数据存储模块、显示模块；
图像采集模块，与主控模块连接，用于通过摄像器采集马铃薯的图像数据；
温湿度采集模块，与主控模块连接，用于通过温度传感器、湿度传感器检测马铃薯环境的温度、湿度数据；
压力采集模块，与主控模块连接，用于通过压力传感器检测马铃薯重量数据；
主控模块，与图像采集模块、温湿度采集模块、压力采集模块、切割模块、传送模块、图像增强模块、筛选模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；
切割模块，与主控模块连接，用于通过切割刀切除马铃薯的枝条叶子操作；
传送模块，与主控模块连接，用于通过传送带将马铃薯传送到存储仓进行存储；
图像增强模块，与主控模块连接，用于通过图像处理程序对采集的图像进行增强处理；
筛选模块，与主控模块连接，用于通过筛选装置根据图像信息对马铃薯进行筛选操作；
数据存储模块，与主控模块连接，用于通过存储器存储采集的图像、温湿度、重量数据信息；
显示模块，与主控模块连接，用于通过显示器显示采集的图像、温湿度、重量数据信息。
进一步，所述图像增强模块增强方法如下：
(1)获取输入图像中各个像素点的输入亮度值，并计算所述输入亮度值的对数平均值；
(2)基于Retinex图像增强算法处理所述输入图像，得到各个像素点的第一亮度增益值；
(3)根据所述输入亮度值的对数平均值，计算得到亮度增益控制因子，所述亮度增益控制因子与所述输入亮度值的对数平均值正相关；
(4)根据所述亮度增益控制因子和所述第一亮度增益值，计算得到各个像素点的第二亮度增益值；
(5)根据所述第二亮度增益值增强所述输入图像中的各个像素点，得到输出图像。
进一步，所述根据如下公式计算得到各个像素点的第二亮度增益值：
G′(x，y)＝(G(x，y))τ；
其中，τ为所述亮度增益控制因子，G(x，y)和G′(x，y)分别为像素点(x，y)的第一亮度增益值和第二亮度增益值。
进一步，所述根据如下公式计算得到所述亮度增益控制因子：
其中，为所述输入亮度值的对数平均值，τ为所述亮度增益控制因子，为第一预设控制值，且
进一步，所述根据如下公式计算所述输入亮度值的对数平均值：
其中，Lw(x，y)为像素点(x，y)的输入亮度值，为Lw的对数平均值，N为所述输入图像中的像素点总数量，δ为第二预设控制值，Lw(x，y)为像素点(x，y)的输入亮度值。
进一步，所述基于Retinex图像增强算法处理所述输入图像，包括如下步骤：
基于全局自适应算法处理所述输入图像，得到各个像素点的全局输出亮度值；
基于局部自适应算法处理所述全局输出亮度值，得到各个像素点的输出亮度值；
根据所述输出亮度值和输入亮度值，计算得到各个像素点的第一亮度增益值。
进一步，所述筛选模块筛选方法如下：
1)对当前图像与背景图像进行相减从而获得待检马铃薯的前景像素部分；背景图像为没有马铃薯时全局摄像头所拍摄图片；对待检马铃薯的前景像素部分进行灰度化，获得前景部分；
2)提取边缘特征；本操作是通过已经获取的前景部分获取马铃薯的边缘特征；具体是使用Roberts边缘检测算子对前景部分进行计算，得到一副代表马铃薯轮廓信息的黑白二值图像；
3)全局特征值提取；在黑白二值图像的基础上，计算待检测马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity；
4)外观及尺寸分类；使用图像分析处理模块的支持向量机SVM，根据计算出的马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity计算出马铃薯的形状和大小信息；
5)将局部摄像头采集的原始三通道RGB图像缩放为224*224三通道RGB图像，
6)卷积神经网络的输入层为整个缩放后的图像，将图像按列展开，形成50176个结点；
7)对展开后的图像进行卷积，产生三个特征提取图，然后对特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个特征映射图；
8)对产生的所述三个特征映射图再次进行卷积，卷积后产生三个二次特征提取图，然后对二次特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个二次特征映射图；
9)对所述三个二次特征映射图进行光栅化，并连接成一个向量输入到卷积神经网络，得到马铃薯的缺陷种类信息；
10)筛选机构根据马铃薯的缺陷种类信息，将不合格的马铃薯由输送不合格区，合格马铃薯输送到合格区，完成马铃薯的分选工作。
本发明的优点及积极效果为：
(1)本发明通过图像增强模块采用Retinex图像增强算法对输入图像进行增强，并且通过采用亮度增益控制因子，当图像亮度较低时，第一亮度增益值会被较大的压缩，当图像亮度较大时，第一亮度增益值被较小的压缩，这样就可以使暗的图像的亮度增益变小，从而实现了对输出图像的亮度进行有效控制，使输出图像的亮度既能得到提升，通过对摄像器的校正处理，避免了摄像过程出现误差，又能与真实环境相符合。
(2)通过筛选模块无需马铃薯在检测过程中进行翻转运动即可完成全方位的检测，一方面避免了马铃薯的不必要损伤，另一方面避免了动态拍照检测中的不稳定性，提高图像清晰程度，提升了检测的准确率，通过对传送带采用变频调速，有效避免了传送带调速过程中的张力变化，同时避免了马铃薯的滑落情况。
(3)通过对马铃薯称重的压力检测模块采用倾角自动补偿算法，无论马铃薯的放置位置如何及是否移动均对称量结果没有影响，提高了后期筛选的准确性。
附图说明
图1是本发明实施例提供的适宜收获山区马铃薯的小型机结构框图。
图中：1、图像采集模块；2、温湿度采集模块；3、压力采集模块；4、主控模块；5、切割模块；6、传送模块；7、图像增强模块；8、筛选模块；9、数据存储模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的适宜收获山区马铃薯的小型机包括：图像采集模块1、温湿度采集模块2、压力采集模块3、主控模块4、切割模块5、传送模块6、图像增强模块7、筛选模块8、数据存储模块9、显示模块10。
图像采集模块1，与主控模块4连接，用于通过摄像器采集马铃薯的图像数据；
温湿度采集模块2，与主控模块4连接，用于通过温度传感器、湿度传感器检测马铃薯环境的温度、湿度数据；
压力采集模块3，与主控模块4连接，用于通过压力传感器检测马铃薯重量数据；
主控模块4，与图像采集模块1、温湿度采集模块2、压力采集模块3、切割模块5、传送模块6、图像增强模块7、筛选模块8、数据存储模块9、显示模块10连接，用于通过单片机控制各个模块正常工作；
切割模块5，与主控模块4连接，用于通过切割刀切除马铃薯的枝条叶子操作；
传送模块6，与主控模块4连接，用于通过传送带将马铃薯传送到存储仓进行存储；
图像增强模块7，与主控模块4连接，用于通过图像处理程序对采集的图像进行增强处理；
筛选模块8，与主控模块4连接，用于通过筛选装置根据图像信息对马铃薯进行筛选操作；
数据存储模块9，与主控模块4连接，用于通过存储器存储采集的图像、温湿度、重量数据信息；
显示模块10，与主控模块4连接，用于通过显示器显示采集的图像、温湿度、重量数据信息。
本发明提供的图像增强模块7增强方法如下：
(1)获取输入图像中各个像素点的输入亮度值，并计算所述输入亮度值的对数平均值；
(2)基于Retinex图像增强算法处理所述输入图像，得到各个像素点的第一亮度增益值；
(3)根据所述输入亮度值的对数平均值，计算得到亮度增益控制因子，所述亮度增益控制因子与所述输入亮度值的对数平均值正相关；
(4)根据所述亮度增益控制因子和所述第一亮度增益值，计算得到各个像素点的第二亮度增益值；
(5)根据所述第二亮度增益值增强所述输入图像中的各个像素点，得到输出图像。
本发明提供的根据如下公式计算得到各个像素点的第二亮度增益值：
G′(x，y)＝(G(x，y))τ；
其中，τ为所述亮度增益控制因子，G(x，y)和G′(x，y)分别为像素点(x，y)的第一亮度增益值和第二亮度增益值。
本发明提供的根据如下公式计算得到所述亮度增益控制因子：
其中，为所述输入亮度值的对数平均值，τ为所述亮度增益控制因子，为第一预设控制值，且
本发明提供的根据如下公式计算所述输入亮度值的对数平均值：
其中，Lw(x，y)为像素点(x，y)的输入亮度值，为Lw的对数平均值，N为所述输入图像中的像素点总数量，δ为第二预设控制值，Lw(x，y)为像素点(x，y)的输入亮度值。
本发明提供的基于Retinex图像增强算法处理所述输入图像，包括如下步骤：
基于全局自适应算法处理所述输入图像，得到各个像素点的全局输出亮度值；
基于局部自适应算法处理所述全局输出亮度值，得到各个像素点的输出亮度值；
根据所述输出亮度值和输入亮度值，计算得到各个像素点的第一亮度增益值。
本发明提供的筛选模块8筛选方法如下：
1)对当前图像与背景图像进行相减从而获得待检马铃薯的前景像素部分；背景图像为没有马铃薯时全局摄像头所拍摄图片；对待检马铃薯的前景像素部分进行灰度化，获得前景部分；
2)提取边缘特征；本操作是通过已经获取的前景部分获取马铃薯的边缘特征；具体是使用Roberts边缘检测算子对前景部分进行计算，得到一副代表马铃薯轮廓信息的黑白二值图像；
3)全局特征值提取；在黑白二值图像的基础上，计算待检测马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity；
4)外观及尺寸分类；使用图像分析处理模块的支持向量机SVM，根据计算出的马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity计算出马铃薯的形状和大小信息；
5)将局部摄像头采集的原始三通道RGB图像缩放为224*224三通道RGB图像，
6)卷积神经网络的输入层为整个缩放后的图像，将图像按列展开，形成50176个结点；
7)对展开后的图像进行卷积，产生三个特征提取图，然后对特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个特征映射图；
8)对产生的所述三个特征映射图再次进行卷积，卷积后产生三个二次特征提取图，然后对二次特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个二次特征映射图；
9)对所述三个二次特征映射图进行光栅化，并连接成一个向量输入到卷积神经网络，得到马铃薯的缺陷种类信息；
10)筛选机构根据马铃薯的缺陷种类信息，将不合格的马铃薯由输送不合格区，合格马铃薯输送到合格区，完成马铃薯的分选工作。
本发明工作时，首先，通过图像采集模块1利用摄像器采集马铃薯的图像数据；通过温湿度采集模块2利用温度传感器、湿度传感器检测马铃薯环境的温度、湿度数据；其次，主控模块4调度切割模块5利用切割刀切除马铃薯的枝条叶子操作，并将马铃薯挖出后放置于传送模块上，通过传送模块6利用传送带将马铃薯传送到存储仓进行存储；通过图像增强模块7利用图像处理程序对采集的图像进行增强处理；通过压力采集模块3利用压力传感器检测马铃薯重量数据；根据重量数据和图像检测情况通过筛选模块8利用筛选装置根据图像信息对马铃薯进行筛选操作；然后，通过数据存储模块9利用存储器存储采集的图像、温湿度、重量数据信息；最后，通过显示模块10利用显示器显示采集的图像、温湿度、重量数据信息。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (8)
1.一种适宜收获山区马铃薯的小型机，其特征在于，所述适宜收获山区马铃薯的小型机的使用方法为：
步骤一：通过图像采集模块利用摄像器采集马铃薯的图像数据，通过温湿度采集模块利用温度传感器、湿度传感器检测马铃薯环境的温度、湿度数据，对摄像器进行非线性校正，校正的方法为：
(1)测试前把摄像器内部的自动增益开关断开，使摄像器的放大电路处于线性工作状态，设光强监测器测得的光强为A，灰度板某阶梯的透射率为T，则其透射光强E＝AT，微型计算机测得的光电信号为V，则V与E之间的关系可表示为：V＝BEr；
式中：式中B为常数；V～E曲线反映了摄像器的光电转换特性。
(2)将某一实验点(Vo，Eo)的光电转换系数定为1，则任一实验点(V,E)所对应的光电转换相对系数Kγ为：
(3)将所有的实验数据点(Kγ，V)进行曲线拟合，得到Kγ～V曲线，将计算输出的任一光电信号数据，除以其对应的Kγ值，即可得到修正值；
步骤二：通过主控模块调度切割模块利用切割刀切除马铃薯的枝条叶子操作，并将马铃薯挖出，放置于传送模块，传送模块利用传送带将马铃薯传送到存储仓进行存储，传送带采用最小二乘法的变频调速方法，该方法为：
设两个观测量电机转速x与传送带线速度y之间函数方程为y＝ax+b，由最小二乘原理求取参数a和b，使均方根误差平方和e2最小，e2可被看做是a和b的函数：
根据函数的极值条件，将上式两边分别对a和b求偏导数，并令其均为零，得
化简以上两式得：
即可求得拟合直线参数a和b的最佳估计值和
步骤三：通过图像增强模块利用图像处理程序对采集的图像进行增强处理，通过压力采集模块利用压力传感器检测马铃薯重量数据，根据重量数据和图像显示情况通过筛选模块利用筛选装置根据图像信息对马铃薯进行筛选操作，压力采集模块采用倾角自动补偿模型，该模型为：
式中：Wcal由实验确定；Wm为荷载重量；Radθ为θ的弧度值,即
步骤四：通过数据存储模块利用存储器存储采集的图像、温湿度、重量数据信息，通过显示模块利用显示器显示采集的图像、温湿度、重量数据信息。
2.如权利要求1所述适宜收获山区马铃薯的小型机，其特征在于，所述适宜收获山区马铃薯的小型机包括：
图像采集模块、温湿度采集模块、压力采集模块、主控模块、切割模块、传送模块、图像增强模块、筛选模块、数据存储模块、显示模块；
图像采集模块，与主控模块连接，用于通过摄像器采集马铃薯的图像数据；
温湿度采集模块，与主控模块连接，用于通过温度传感器、湿度传感器检测马铃薯环境的温度、湿度数据；
压力采集模块，与主控模块连接，用于通过压力传感器检测马铃薯重量数据；
主控模块，与图像采集模块、温湿度采集模块、压力采集模块、切割模块、传送模块、图像增强模块、筛选模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；
切割模块，与主控模块连接，用于通过切割刀切除马铃薯的枝条叶子操作；
传送模块，与主控模块连接，用于通过传送带将马铃薯传送到存储仓进行存储；
图像增强模块，与主控模块连接，用于通过图像处理程序对采集的图像进行增强处理；
筛选模块，与主控模块连接，用于通过筛选装置根据图像信息对马铃薯进行筛选操作；
数据存储模块，与主控模块连接，用于通过存储器存储采集的图像、温湿度、重量数据信息；
显示模块，与主控模块连接，用于通过显示器显示采集的图像、温湿度、重量数据信息。
3.如权利要求2所述适宜收获山区马铃薯的小型机，其特征在于，所述图像增强模块增强方法如下：
(1)获取输入图像中各个像素点的输入亮度值，并计算所述输入亮度值的对数平均值；
(2)基于Retinex图像增强算法处理所述输入图像，得到各个像素点的第一亮度增益值；
(3)根据所述输入亮度值的对数平均值，计算得到亮度增益控制因子，所述亮度增益控制因子与所述输入亮度值的对数平均值正相关；
(4)根据所述亮度增益控制因子和所述第一亮度增益值，计算得到各个像素点的第二亮度增益值；
(5)根据所述第二亮度增益值增强所述输入图像中的各个像素点，得到输出图像。
4.如权利要求3所述适宜收获山区马铃薯的小型机，其特征在于，所述根据如下公式计算得到各个像素点的第二亮度增益值：
G′(x，y)＝(G(x，y))τ；
其中，τ为所述亮度增益控制因子，G(x，y)和G′(x，y)分别为像素点(x，y)的第一亮度增益值和第二亮度增益值。
5.如权利要求4所述适宜收获山区马铃薯的小型机，其特征在于，所述根据如下公式计算得到所述亮度增益控制因子：
其中，为所述输入亮度值的对数平均值，τ为所述亮度增益控制因子，为第一预设控制值，且
6.如权利要求3所述适宜收获山区马铃薯的小型机，其特征在于，所述根据如下公式计算所述输入亮度值的对数平均值：
其中，Lw(x，y)为像素点(x，y)的输入亮度值，为Lw的对数平均值，N为所述输入图像中的像素点总数量，δ为第二预设控制值，Lw(x，y)为像素点(x，y)的输入亮度值。
7.如权利要求3所述适宜收获山区马铃薯的小型机，其特征在于，所述基于Retinex图像增强算法处理所述输入图像，包括如下步骤：
基于全局自适应算法处理所述输入图像，得到各个像素点的全局输出亮度值；
基于局部自适应算法处理所述全局输出亮度值，得到各个像素点的输出亮度值；
根据所述输出亮度值和输入亮度值，计算得到各个像素点的第一亮度增益值。
8.如权利要求2所述适宜收获山区马铃薯的小型机，其特征在于，所述筛选模块筛选方法如下：
1)对当前图像与背景图像进行相减从而获得待检马铃薯的前景像素部分；背景图像为没有马铃薯时全局摄像头所拍摄图片；对待检马铃薯的前景像素部分进行灰度化，获得前景部分；
2)提取边缘特征；本操作是通过已经获取的前景部分获取马铃薯的边缘特征；具体是使用Roberts边缘检测算子对前景部分进行计算，得到一副代表马铃薯轮廓信息的黑白二值图像；
3)全局特征值提取；在黑白二值图像的基础上，计算待检测马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity；
4)外观及尺寸分类；使用图像分析处理模块的支持向量机SVM，根据计算出的马铃薯区域面积Area、周长Perimeter和椭圆率Ellipticity计算出马铃薯的形状和大小信息；
5)将局部摄像头采集的原始三通道RGB图像缩放为224*224三通道RGB图像，
6)卷积神经网络的输入层为整个缩放后的图像，将图像按列展开，形成50176个结点；
7)对展开后的图像进行卷积，产生三个特征提取图，然后对特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个特征映射图；
8)对产生的所述三个特征映射图再次进行卷积，卷积后产生三个二次特征提取图，然后对二次特征提取图中每组的四个像素再进行求和、加权值、加偏置，通过Sigmoid函数得到三个二次特征映射图；
9)对所述三个二次特征映射图进行光栅化，并连接成一个向量输入到卷积神经网络，得到马铃薯的缺陷种类信息；
10)筛选机构根据马铃薯的缺陷种类信息，将不合格的马铃薯由输送不合格区，合格马铃薯输送到合格区，完成马铃薯的分选工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811252948.0A CN109360221A (zh) | 2018-10-25 | 2018-10-25 | 一种适宜收获山区马铃薯的小型机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811252948.0A CN109360221A (zh) | 2018-10-25 | 2018-10-25 | 一种适宜收获山区马铃薯的小型机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109360221A true CN109360221A (zh) | 2019-02-19 |
Family
ID=65346747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811252948.0A Pending CN109360221A (zh) | 2018-10-25 | 2018-10-25 | 一种适宜收获山区马铃薯的小型机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109360221A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111771507A (zh) * | 2020-07-15 | 2020-10-16 | 青岛农业大学 | 车载式马铃薯产量测量方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106238342A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 |
| CN106612876A (zh) * | 2017-01-11 | 2017-05-10 | 昆明理工大学 | 一种山地小型土豆收获及秧蔓分离联合机 |
| CN107730475A (zh) * | 2017-11-13 | 2018-02-23 | 苏州科达科技股份有限公司 | 图像增强方法及系统 |
-
2018
- 2018-10-25 CN CN201811252948.0A patent/CN109360221A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106238342A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 |
| CN106612876A (zh) * | 2017-01-11 | 2017-05-10 | 昆明理工大学 | 一种山地小型土豆收获及秧蔓分离联合机 |
| CN107730475A (zh) * | 2017-11-13 | 2018-02-23 | 苏州科达科技股份有限公司 | 图像增强方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 周子平等: "摄像器的非线性校正及其应用", 《复旦学报(自然科学版)》 * |
| 唐立军等: "电子秤倾角自动检测与称量误差补偿方法研究", 《电子测量与仪器学报》 * |
| 沈建强等: "一种基于最小二乘法的传送带变频调速方法", 《江南大学学报(自然科学版)》 * |
| 王红军等: "基于机器视觉图像特征参数的马铃薯质量和形状分级方法", 《农 业 工 程 学 报》 * |
| 黄懿: "基于机器视觉技术马铃薯自动分级系统的研究", 《中国知网》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111771507A (zh) * | 2020-07-15 | 2020-10-16 | 青岛农业大学 | 车载式马铃薯产量测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Spreer et al. | Estimating the mass of mango fruit (Mangifera indica, cv. Chok Anan) from its geometric dimensions by optical measurement | |
| Omid et al. | Estimating volume and mass of citrus fruits by image processing technique | |
| US20180042176A1 (en) | Systems, devices, and methods for monitoring and assessing characteristics of harvested specialty crops | |
| CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
| CN103888681A (zh) | 一种自动曝光方法及装置 | |
| CN113192026A (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
| CN106548480A (zh) | 一种基于机器视觉的农产品体积快速测量装置及测量方法 | |
| US20160335477A1 (en) | Apparatus and processes for photosynthetic activity measurement and mapping | |
| CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
| CN113657294B (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
| CN109360221A (zh) | 一种适宜收获山区马铃薯的小型机 | |
| CN107807126A (zh) | 一种基于pcnn的面粉麸星检测方法 | |
| JP4586482B2 (ja) | ライスセンターやカントリーエレベータ等の荷受における生籾の仕分け方法 | |
| CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
| Wiles | Software to quantify and map vegetative cover in fallow fields for weed management decisions | |
| CN110197381A (zh) | 基于农业物联网综合服务管理系统的可追溯信息处理方法 | |
| KR20180096966A (ko) | 형태적 연산과 연결 연산을 이용한 벼 모종 자동 개수 세는 방법 | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| Lee et al. | Development of potato yield monitoring system using machine vision | |
| CN116778343A (zh) | 一种用于综合识别的目标图像特征提取方法 | |
| CN110765905A (zh) | 一种联合收割机收获谷物包含杂质比重的测量方法及其装置 | |
| CN106709922A (zh) | 基于图像的牧草覆盖度和生物量自动检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
| RJ01 | Rejection of invention patent application after publication |